(03)4638800轉7904 aicenter@g.yzu.edu.tw

TensorFlow深度學習理論與實作(12.5小時)

相關消息

MORE

人工智慧已成全球銳不可擋的重要趨勢

  • 2021-01-04

元智111級新生前瞻人才培育工作坊(微軟AI Fundamental原廠認證課程)，日期: 111/9/1(週四全天)~111/9/2(周五全天)

  • 2022-07-23

具神經網路架構的深度學習(Deep Learning)是現代達到人工智慧的主要途徑，也是基於Big Data的最佳機器學習方法:

⭐ 當代AI大師Hinton認為深度學習將無所不能(https://reurl.cc/ldb3Ol)


⭐ 當數據量越大時，深度學習分類與預測的性能較其他傳統的機器學習方法好很多，且將超越其他機器學習方法 (https://albahnsen.com/2017/06/06/building-ai-applications-using-deep-learning/)

而TensorFlow是Google大腦第二代機器學習系統:

⭐ TensorFlow是完成深度學習必備的技能。

⭐ 目前只有Python API較為豐富的實現了TensorFlow深度學習反中向傳播部分。 

⭐ TensorFlow已被廣泛應用於電腦視覺、財務金融、語音辨識、自然語言處理、音訊辨識與生物資訊學等等。

⭐深度學習相關的就業機會成長，TensorFlow已連續幾年排名第一(https://www.mdeditor.tw/pl/pcLN/zh-tw ):

⭐TensorFlow已被廣泛應用於電腦視覺、語音辨識、自然語言處理、音訊辨識與生物資訊學等等。

⭐本課程適合已有Python程式基礎者



課程內容


Tensorflow深度學習原理與實作1 (2:18:51)

  • 00:00:00 ~ 00:18:19 老師與課程介紹
  • 00:18:19 ~ 00:43:08 深度學習軟體開發架構
  • 00:43:08 ~ 00:48:40 必要套件(Scipy 與 Scikit-Learn)
  • 00:48:40 ~ 01:12:20 開發環境介紹
  • 00:12:20 ~ 01:52:30 神經元計算(NeuroComputing)與機器學習
  • 01:52:30 ~ 02:18:51 範例 : 圖形識別流程(魚種分類)

Tensorflow深度學習原理與實作2 (2:07:31)

  • pandas套件讀取與收入資料集(Income Dataset)處理

Tensorflow深度學習原理與實作3 (2:16:01)

  • 00:00:00 ~ 00:15:50神經元基本模型
  • 00:15:50 ~ 00:28:01激活函數(Activation Function)
  • 00:28:01 ~ 01:35:30梯度下降法(Gradient Descent)
  • 01:35:30 ~ 01:42:20多層感知器(Multilayer Perceptron)
  • 01:42:20 ~ 02:00:25倒傳遞演算法(Backpropagation)
  • 02:00:25 ~ 02:16:01資料前處理(Preprocessing)

Tensorflow深度學習原理與實作4 (2:33:13)

  • 00:00:00 ~ 00:23:10 資料表示與範例實作(收入資料集)
  • 00:23:10 ~ 00:40:17 一般化與過度擬合範例實作
  • 00:40:17 ~ 01:19:40 建立模型與訓練實作
  • 01:19:40 ~ 01:37:00 改變學習率(Learning Rate)實作
  • 01:37:00 ~ 01:43:00 固定初始權重(Initial Weights)
  • 01:43:00 ~ 01:54:20 特徵縮放實作
  • 01:54:20 ~ 02:03:30 參數儲存與載入
  • 02:03:30 ~ 02:33:13 如何使用Google CoLab

Tensorflow深度學習原理與實作5 (1:41:34)

  • 00:00:00 ~ 00:04:08 深度學習(Deep Learning)
  • 00:04:08 ~ 00:31:24 線性整流函數(Relu)
  • 00:31:24 ~ 00:50:40 交叉熵誤差(Cross-Entropy Error)
  • 00:50:40 ~ 01:41:34 梯度下降優化版本與實作

Tensorflow深度學習原理與實作6 (1:42:55)

  • 00:00:00 ~ 00:05:12 避免過度擬合方法
  • 00:05:12 ~ 00:08:09 避免過度擬合方法一 : 資料擴增(Data Augmentation)
  • 00:08:09 ~ 00:37:16 避免過度擬合方法二 : 交叉驗證(Cross Validation)
  • 00:37:16 ~ 00:53:20 避免過度擬合方法三 : 調節(Regularization)
  • 00:53:20 ~ 01:06:24 避免過度擬合方法四 : Dropout
  • 01:06:24 ~ 01:42:55 避免過度擬合方法五 : Batch Normalization
Back to Top